Template

Penerapan metode Data Mart Query (DMQ)

dalam Distributed Database System

Untung Rahardja

Valent Setiatmi

Shakinah Badar

Email: untung.raharja@faculty.raharja.ac.id, valent.setiatmi@faculty.raharja.ac.id, shakinah.badar@is.raharja.c.id

Diterima: 8 Februari 2011/ Disetujui: 23 Februari 2011

ABSTRACT

Along with the progress of time, the growth rate is rapidly increasingscience and technology encourages the development of network technology. In addition the number of scattered data in a distributed database system, resulting inmassive query process at any time require the data. By using the Data Mart Query, enabling a display of data can be displayed quickly. In other words, Data Mart Query method can directly display the source code on the display and query process is done on theengine. In this article, identified the problems encountered in adistributed system, especially a problem in displaying to the user’sview, the definition of the Data Mart Query, the architecture in adatabases, the advantages and disadvantages of the Data Mart Query, the algorithm as well as the benefits of this method. In the implementation, displayed listing program written using ASP scriptas well as view examples of using the Data Mart Query.Contribution method in a Distributed Data Mart Database Query System is a solution that helps the user needs to process the data before display is very slow and inefficient.

Key words: Data Mart Query, Distributed Database

 

ABSTRAKSI

Seiring dengan kemajuan zaman, laju pertumbuhan IPTEK  yang semakin pesat mendorong perkembangan teknologi jaringan. Suatu informasi disalurkan antara satu database dengan database yang lain memungkinkan untuk saling berhubungan dalam suatu sistem database yang terdistribusi. Namun dengan banyaknya pengguna teknologi informasi dalam suatu jaringan, membuat suatu sistem kadang berjalan lambat. Selain itu banyaknya data yang tersebar dalam suatu sistem database yang terdistribusi, mengakibatkan terjadinya proses query besar-besaran pada saat setiap kali membutuhkan data. Dengan menggunakan Data Mart Query, memungkinkan sebuah display data dapat ditampilkan dengan cepat. Dengan kata lain, metode Data Mart Query dapat langsung menampilkan source code pada display dan proses query yang dikerjakan pada engine. Dalam artikel ini, diidentifikasikan masalah yang dihadapi dalam suatu sistem yang terdistribusi khususnya masalah dalam menampilkan view ke pengguna, definisi dari Data Mart Query tersebut, arsitekturnya dalam sebuah database, keuntungan dan kelemahan dari Data Mart Query, algoritma serta manfaat dari metode ini.  Pada implementasinya, ditampilkan listing program yang ditulis menggunakan script ASP serta contoh view dengan menggunakan Data Mart Query. Kontribusi metode Data Mart Query dalam Distributed Database System merupakan suatu solusi yang sangat membantu kebutuhan user pada proses display data yang sebelumnya sangat lambat dan tidak efisien.

 

Kata kunci: Data Mart Query, Distributed Database

 

PENDAHULUAN

 

            Perkembangan teknologi yang terus meningkat dengan cepat, mempengaruhi laju kebutuhan manusia atas informasi, terlebih disuatu organisasi atau perusahaan. Informasi terus mengalir dan jumlahnya semakin lama semakin meningkat seiring dengan jumlah permintaan, serta jumlah data yang semakin banyak. Selain itu penggunaan database dalam suatu perusahaan dan organisasipun semakin banyak terlebih dengan adanya sistem jaringan. Database dapat didistribusikan dari satu komputer ke komputer lain. Jumlah arus pemakaipun meningkat seiring besarnya organisasi atau perusahaan.

            Organisasi maupun perusahaan membutuhkan sistem informasi untuk mengumpulkan, mengolah dan menyimpan data serta menyalurkan suatu informasi. Berkembangnya sistem informasi dari waktu ke waktu telah menghasilkan banyak informasi yang semakin kompleks. Kompleksnya informasi tersebut disebabkan oleh banyaknya permintaan, jumlah data serta tingkat iterasi perintah SQL dalam suatu program..

             Pemanfaatan teknologi informasi oleh organisasi atau perusahaan secara garis besar bertujuan untuk memudahkan pelaksanaan proses bisnis dan meningkatkan kemampuan kompetitif. Melalui teknologi informasi, diharapkan proses bisnis perusahaan dapat dilaksanakan lebih mudah, cepat, efisien dan efektif. Penggunaan teknologi jaringan didalam suatu organisasi ataupun perusahaan menjadi hal yang biasa. Didalam suatu sistem jaringan sekarang ini banyak organisasi ataupun perusahaan yang telah menerapkan database terdistribusi untuk sistem databasenya.

Database terdistribusi merupakan sebuah database yang berada dibawah kontrol DBMS sentral dimana tempat penyimpanan tidak terpusat ke suatu CPU tetapi mungkin disimpan di multiple komputer dalam lokasi fisik yang sama atau disebarkan melalui jaringan komputer yang saling terkoneksi.

tp1

Gambar 1. Arsitektur Distributed Database

            Gambar diatas, merupakan gambaran arsitektur database yang terdistribusi. Dimana didalam sistem database terdistribusi ini memungkinkan beberapa terminal terkoneksi dalam suatu sistem database. Dan masing-masing terminal ini bisa mengakses atau memperoleh data dari database baik yang ada dikomputer pusat maupun dikomputer lokal ataupun database yang satu dengan database yang lain. Database terdistribusi juga mempunyai keunggulan seperti dapat merefleksikan struktur organisasi, otonomi lokal. Kesalahan dalam satu fragmen tidak akan mempengaruhi database keseluruhan. Adanya balancing database didalam server dan sistem dapat dimodifikasi tanpa mempengaruhi modul lain.

         Untuk itu, penyimpanan data pada tabel SQL server dalam sebuah distributed database, merupakan langkah praktis yang dilakukan banyak kalangan saat ini. Bagi instansi tertentu proses penyajian data haruslah cepat, misalnya pada google.com dimana penyajian data yang diinginkan oleh kosumen haruslah dengan cepat berada pada tampilan display, padahal tidak sedikit data yang harus dikeluarkan. Pada dasarnya penyajian data dari tabel memerlukan waktu proses yang sesuai dengan banyaknya data yang akan di tampilkan. Penggunaan cara konvensional pada dasarnya adalah cara praktis, karena tidak membutuhkan pengeditan bila data di database bertambah, namun apakah kecepatan tampilan akan lama bila data yang ditampilkan banyak.

PERMASALAHAN

            Distributed database memang memiliki banyak keunggulan terlebih untuk struktur organisasi saat ini. Namun diantara keunggulan itu, distributed database juga memungkinkan suatu sistem menjadi lebih kompleks, karena banyaknya database yang tersebar dan jumlah data yang banyak dan terus meningkat didalam suatu organisasi maupun perusahaan. Jika suatu database memiliki sejumlah data yang tersimpan dengan banyak query dan tabel, suatu permintaan mengakibatkan proses pencarian data atau source data menjadi lambat. Selain itu banyaknya user yang dapat mengakses suatu tampilan web atau Web display suatu sistem informasi juga menjadi lambat.. Berikut ini disampaikan tampilan sumber data konvensional yang memiliki query bertingkat:

tp2

Gambar 2. Source Data Konvensional

Dari gambar diatas, kita bisa lihat bahwa untuk menghasilkan suatu tampilan pada web display, pada source data konvensional perlu dilakukan query bertingkat. Source data dilakukan mulai dari tabel yang satu kemudian tabel yang lain lalu ke query yang satu ke query yang lain. Bayangkan jika ada ratusan atau ribuan tabel dan query didalam suatu database, kemudian database itu terdistribusi sehingga terjadi hubungan antara database yang satu dengan yang lain. Berapa lama waktu yang dibutuhkan hanya untuk memberikan satu tampilan web?

Dari penjelasan di atas, dapat dirumuskan beberapa permasalahan yaitu sebagai berikut :

 

 

  • Apakah proses view karena query bertingkat pada Database terdistribusi sudah ada penelitiannya?
  • Berapa dampak dari lambatnya sebuah proses akibat query bertingkat?
  • Metode apa yang dapat digunakan untuk mempercepat proses display pada suatu sistem database terdistribusi?
  • Apa kelemahan dan kelebihannya dengan metode baru yang diusulkan ini?

 

 

LITERATURE REVIEW

Banyak penelitian yang sebelumnya dilakukan mengenai distributed database. Dalam upaya pengembangan distributed database ini perlu dilakukan studi pustaka sebagai salah satu dari penerapan metode penelitian yang akan dilakukan. Diantaranya adalah mengidentifikasikan kesenjangan (identify gaps),  menghindari pembuatan ulang (reinventing the wheel), mengidentifikasikan metode yang pernah dilakukan, meneruskan penelitian sebelumnya, serta mengetahui orang lain yang spesialisasi dan area penelitiannya sama dibidang ini. Beberapa Literature review tersebut adalah sebagai berikut :

1. Penelitian ini dilakukan oleh Jun Lin Lin dan Margaret H. Dunham dari Southerm Methodist University dan Mario A. Nascimento berjudul “ A Survey of Distributed Database Checkpointing”. Penelitian ini membahas mengenai checkpointing pada database terdistribusi dan pendekatan-pendekatan yang digunakan. Penelitian ini bermula dari adanya banyak survey yang dilakukan berkenaan  dengan proses recovery database, dan banyak teknik yang diusulkan untuk mengatasinya. Dengan distributed database checkpointing, dapat mengurangi waktu proses recovery suatu kegagalan didalam database terdistribusi. Checkpointing dapat digambarkan sebagai suatu aktivitas menulis informasi ke penyimpanan yang stabil selama operasi normal dalam rangka mengurangi jumlah pekerjaan pada saat restart. Penelitian ini membantah bahwa sedikit batasan dan sedikit sumber daya menjadi masalah dalam pendekatan database terdistribusi, serta Membantah bahwa checkpointing hanya dapat digunakan untuk sistem distribusi yang multidatabase. Meskipun penelitian ini telah banyak dilakukan namun cukup rumit dalam implementasinya. Dengan penelitian ini kita dapat mengembangkan database terdistribusi dengan checkpointing untuk mempercepat proses recovery database[1].

2. Penelitian ini dilakukan oleh David J. DeWitt dari Universitas Wisconsin dan Jim Gray tahun 1992 berjudul “Parallel Database Systems:The Future of High Performance Database Processing”. Penelitian ini dilakukan dengan Konsep database terdistribusi yang merupakan database yang disimpan pada beberapa komputer yang terdistribusi satu sama lain. Pada penelitian ini, dijelaskan  Sistem database paralel mulai menggantikan Mainframe komputer besar untuk pengolahan data dan transaksi tugas. Paralel database komputer memiliki arsitektur yang berkembang dari penggunaan perangkat lunak yang eksotik untuk perangkat keras yang paralel. Seperti kebanyakan aplikasi, user menginginkan hardware sistem database yang murah, cepat. Ini menyangkut tentang prosesor, memori dan disk. Akibatnya, konsep  hardware database yang eksotis tidak sesuai untuk teknologi saat ini. Di lain sisi, ketersediaan microprocessors cepat, murah dan kecil menjadi paket standar murah tapi cepat sehingga menjadi platform yang ideal untuk sistem database paralel. Stonebraker mengusulkan rancangan sederhana untuk spektrum disain yaitu shared memory, shared disk dan shared nothing. Dan bahasa yang digunakan dalam database adalah SQL sesuai dengan standar ANSI dan ISO. Dengan penelitian ini, kita dapat mengembangkan sistem database agar dapat digunakan diberbagai ruang lingkup[2].

tp3

Gambar 3. Desain Shared-Nothing, Shared-Memory dan Shared-Disk

3. Penelitian ini dilakukan oleh Carolyn Mitchell dari Norfolk State University berjudul “Components of a Distributed Database” tahun 2004. Penelitian ini membahas tentang komponen-komponen didalam database. Salah satu komponen utama dalam DDBMS adalah Database Manager. “Sebuah Database Manager adalah perangkat lunak yang bertanggung jawab untuk memproses segmen data yang didistribusikan. Komponen utama lainnya adalah Query User Interface, yang merupakan sebuah program klien  yang bertindak sebagai sebuah antarmuka untuk Transaksi Manager yang terdistribusi..” Sebuah Transaksi Manager terdistribusi adalah program yang menterjemahkan permintaan dari pengguna dan mengkonversi mereka ke query database manager, yang biasanya didistribusikan. Sebuah sistem database yang terdistribusi terbuat dari kedua manajer yaitu Database Manager dan Transaksi Manager Terdistribusi[3].

tp4

Gambar 4. Arsitektur Distributed Database dan Komponennya

4. Penelitian yang dilakukan oleh Hamidah Ibrahim, “Deriving Global Integritas Dan Local Rules For Distributed Database”. Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Putra Malaysia, 43400 UPM Serdang. Ibrahim mengatakan bahwa tujuan terpenting didalam database sistem adalah menjamin konsistensi data, yang berarti bahwa data yang terdapat dalam database harus  baik dan akurat. Didalam pelaksanaannya untuk menjaga konsistensi perubahan data sangat sulit, khususnya untuk didistribusikan dalam database. Dalam tulisan ini, menjelaskan sebuah algoritma penegakan aturan berdasarkan mekanisme untuk didistribusikan database yang bertujuan meminimalisir  jumlah data yang harus ditransfer atau diakses diseluruh jaringan yang menjaga konsistensi dari database di satu situs, yaitu di situs mana pembaruan perlu dilakukan. Teknik ini disebut sebagai tes integritas generasi, yang berasal dari lokal dan global integritas, dan aturan yang telah efektif dapat mengurangi biaya kendala dalam memeriksa suatu data yang telah didistribusikan dalam lingkungan. Didalam penelitian ini telah berhasil menghasilkan sebuah sistem sentralistik yang besar dengan tingkat kehandalan yang tinggi untuk integritas data[4].

5. Penelitian yang dilakukan oleh Steven P. Coy dari University of Maryland  berjudul “Security Implication of the Choice of Distributed Database Management System Model: Relational Vs Object Oriented”. Penelitian ini menjelaskan bahwa keamanan data harus dibenahi ketika mengembangkan database dan diantaranya memilih antara relational dan object oriented model. Banyak faktor yang harus dipertimbangkan, terutama dari segi efektifitas dan efisiensi, juga apakah sekuritas dan integritas ini memakan sumber daya yang terlalu besar tidak semata mata fitur keamanan. Kedua pilihan ini akan mempengaruhi kekuatan dan kelemahan dari database tersebut. Untuk centralized database kedua model ini bisa dikatakan sama baiknya. Namun untuk distributed database, relational model lebih unggul dibidang sekuritas. Ini lebih banyak disebabkan karena object oriented model database masih kurang maturitasnya. Sehingga didalam lingkungan heterogenous, proses integritasnya masih menimbulkan banyak masalah. OODBMS tetap saja masih perlu perkembangan teknologi lebih lanjut, namun di lingkungan homogenous, OODBMS dapat menjadi pilihan yang baik[5].

6. Penelitian yang dilakukan oleh Stephane Gançarski, Claudia León, Hubert Naacke, Marta Rukoz and Pablo Santini yang berjudul “Integrity Constraint Checking in Distributed Nested Transactions over a Database Cluster” adalah sebuah solusi untuk memeriksa integritas dan kendala global dalam berhubungan multi database sistem. Penelitian ini juga menyajikan hasil eksperimental yang diperoleh atas solusi PC cluster dengan Oracle9i DBMS. Tujuan adalah melakukan eksperimentasi untuk mengukur waktu yang dihabiskan dalam memeriksa kendala global dalam sistem yang terdistribusi. Alhasil menunjukkan bahwa overhead berkurang hingga 50% dibandingkan dengan pemeriksaan integritas yang terpusat. Studi menunjukkan bahwa sistem berkemungkinan besar melanggar referential integrity dan global conjunctive constraints. Namun dengan cara distributed nested transactions, dengan adanya eksekusi dan parallelism, integritas dapat lebih terjamin[6].

7. Penelitian ini dilakukan oleh Allison L. Powell James C.dkk, Perancis Departemen Ilmu Komputer Universitas Virginia, berjudul berjudul ”The Impact of Database Selection on Distributed Searching”. Penelitian ini menjelaskan bahwa distributed searching terdiri dari 3 bagian yaitu database selection, query processing, dan results merging. Cukup beberapa database yang dijadikan database seleksi (tidak semuanya) dan performa akan meningkat cukup signifikan. Bila seleksi database dilakukan dengan baik, pencarian secara distributed akan berkinerja lebih baik dibandingkan pencarian secara sentralisasi. Pencarian database juga ditambahkan proses seleksi dan ranking sehingga secara potensial meningkatkan efektifitas pencarian data[7].

8. Penelitian ini dilakukan oleh  Yin-Fu Huang dan HER JYH-CHEN  (2001) dari Universitas Nasional Sains dan Teknologi Yunlin Taiwan, berjudul ”Fragment Allocation in Distributed Database Design”. Pada penelitian ini menjelaskan mengenai Wild Area Network (WAN), fragmen alokasi adalah isu utama dalam distribusi database desain karena kekhawatiran kinerja keseluruhan didistribusikan pada system database. Disini system yang  diusulkan sederhana dan modelnya yang komprehensif mencerminkan aktivitas transaksi yang didistribusikan dalam database. Berdasarkan model dan informasi transaksi, dua bentuk algoritma dikembangkan untuk mendapatkan alokasi yang optimal seperti total biaya komunikasi yang sebisa mungkin diminimalkan. Hasilnya menunjukkan bahwa alokasi fragmentasi ditemukan dengan menggunakan algoritma yang tepat akan menjadi lebih optimal. Beberapa penelitian juga dilakukan untuk memastikan bahwa biaya rumus dapat benar-benar mencerminkan biaya komunikasi didunia nyata[8].

9. Penelitian ini dilakukan oleh Nadezhda Filipova dan Filcho Filipov (2008) dari University of Economics. Varna, Bul. Kniaz BorisI berjudul “Development of database for distributed information measurement and control system”. Penelitian ini menjelaskan mengenai pengembangan database dari pengukuran informasi yang didistribusikan dan sistem kontrol yang menerapkan metode optik untuk plasma spectroscopy fisika dan penelitian atom  collisions dan menyediakan akses untuk mendapat informasi dan sumber daya perangkat keras di jaringan Intranet/Internet, berdasarkan database pada sistem manajemen database Oracle9i. Perangkat lunak klien yang diwujudkan adalah dalam Java Language. Perangkat lunak ini dikembangkan dengan menggunakan model arsitektur, yang memisahkan aplikasi data dari komponen grafis presentasi dan masukan pengolahan logika. Berikut grafis presentasi telah dilaksanakan, pengukuran radiasi dari Spectra beam plasma dan benda, perangsangan fungsi non-elastis collisions dari berat partikel dan analisis data yang diperoleh dalam percobaan sebelumnya. Berikut grafis klien yang memiliki fungsi interaksi dengan database browsing informasi tentang percobaan dari jenis tertentu, pencarian data dengan berbagai kriteria, dan memasukkan informasi tentang percobaan sebelumnya[9].

10. Penelitian yang dilakukan oleh Lubomir Stanchev dari University of Waterloo tahun 2001 berjudul “Semantic Data Control In Distributed Database Environment”. Penelitian ini menyatakan bahwa ada tiga tujuan utama dalam semantic data control yaitu: view managemen, data security dan semantic integrity control. Dalam sebuah relasi, fungsi-fungsi ini dapat mencapai keseragaman dengan menegakkan aturan-aturan manipulasi kontrol data. Solusinya adalah dengan sentralisasi ataupun terdistribusi. Dua hal utama yang efisien untuk melakukan kontrol adalah definisi data dan penyimpanan aturan (situs pilihan) dan penegakan desain algoritma yang meminimalkan biaya komunikasi. Masalahnya adalah sulit, karena peningkatan fungsi (dan umum) cenderung meningkatkan komunikasi situs. Solusi untuk semantik data kontrol terdistribusi adalah eksistensi dari sentralisasi solusi. Masalahnya adalah sederhana jika aturan kontrol sepenuhnya direplikasi di semua situs dan sulit jika situs otonomi dipatenkan. Selain itu, khusus optimasi dapat dilakukan untuk meminimalkan biaya kontrol data tetapi dengan tambahan overhead seperti pengelolaan data snapshot. Dengan demikian, spesifikasi kontrol data terdistribusi harus disertakan pada desain database sehingga biaya kontrol update untuk program-program ini juga dipertimbangkan[10].

            Dari sepuluh literature review yang ada, telah banyak penelitian mengenai checkpointing, parallel database system, pembahasan component database system, juga mengenai security. Disamping itu juga ada pembahasan mengenai nested transaction, distributed searching, view management dan juga fragment allocation. Namun dapat disimpulkan pula bahwa belum ada peneliti yang secara khusus membahas atau mengatasi masalah proses view yang lambat akibat query bertingkat.

PEMECAHAN MASALAH

         Untuk mengatasi berbagai masalah diatas, maka diperlukan proses yang cepat dan efisien dalam mengakses seluruh data yang banyak dan tidak teratur di database, terlebih untuk suatu sistem database yang terdistribusi. Saat ini programmer lebih memilih menggunakan Ms. Acces dan fungsi query untuk mengerjakan seluruh script perintah. Alhasil proses query besar-besaran terjadi setiap membutuhkan data. Penggunaan SQL server bukanlah hal yang baru dalam  hal ini, maka dari itu diusulkan untuk dibentuknya suatu system yang lebih menuju ke proses pada saat loading penyajian data dan memiliki kecepatan yang secara linear lebih cepat dibandingkan  dengan cara konvensional. DMQ (Data Mart Query) merupakan metode yang menerapkan analogi ”Waste Space for Speed”. DMQ juga merupakan salah satu metode  yang berbentuk terhadap  pemisahan antara “Engine” dan “Display”. Dengan kata lain metode DMQ dapat langsung menampilkan source code pada display dan proses query  yang dikerjakan pada engine. Secara umum DMQ menghasilkan sebuah display data yang jauh lebih cepat dibandingkan dengan menggunakan metode umum, karena DMQ tidak melakukan proses lagi dalam menampilkan data. Dan akhirnya DMQ merupakan suatu solusi yang dapat membantu kebutuhan user pada proses display data yang sebelumnya sangat lambat dan tidak efesien.

         Pada Data Mart Query sumber data berasal dari tabel. Jadi pada proses DMQ ini, mengalokasikan seluruh data yang dipilih ke dalam suatu tabel. Sehingga user tidak perlu memikirkan pembuatan struktur tabel tujuan, yang perlu dipikirkan hanyalah dimana data tersebut berada. DMQ ini digunakan untuk menghindari penggunaan Query majemuk. DMQ akan mengorbankan besarnya kapasitas penyimpanan data (space harddisc) untuk meningkatkan kecepatan (increase speed). DMQ membutuhkan triger update data untuk menghasilkan data yang mutakhir.

            Berikut ini adalah gambaran mengenai permintaan data dari user. Dimana seorang user melakukan permintaan akan suatu tampilan, kemudian data query module melakukan  pencarian pada db1, db2 sampai dbn. Dengan menggunakan Data Mart Query atau DMQ dari data query module langsung menghasilkan query yang diinginkan dalam bentuk graphical display module yang dapat dilihat oleh user.

tp5

Gambar 5. Data Visualization dengan DMQ

            Dengan Data Mart Query (DMQ) proses pencarian data lebih singkat, karena tidak seperti source data konvensional yang harus mencari dari tabel. Data Mart Query (DMQ) bisa memotong waktu proses karena proses pencarian data hanya ke satu tabel yang telah digabungkan.

tp6.1tp6.2

Gambar 6. Perbandingan source data konvensional dan source data dengan Data Mart Query

            Jika dibandingkan maka tampilannya akan seperti gambar diatas. Dimana dengan DMQ bisa membuat tampilan web lebih cepat dilakukan karena tidak memerlukan proses pencarian yang rumit. Hal ini juga dapat dibuktikan pada grafik 1.

tp7

Keterangan :

   =  Tidak menggunakan DMQ

   =  Menggunakan DMQ

Grafik 1. Perbandingan Waktu dan Jumlah data

Pada grafik diatas, dapat dilihat bagaimana perbandingan waktu dan jumlah data untuk suatu display web dimana jumlah data untuk masing-masing grafik nilainya sama. Grafik diatas menjelaskan bahwa jika suatu view tidak menggunakan DMQ, maka grafiknya akan naik keatas, atau semakin besar jumlah data maka waktu prosesnya akan semakin lama. Namun sebaliknya jika menggunakan DMQ untuk viewnya maka berapapun jumlah datanya waktu yang dibutuhkan untuk proses viewnya relatif konstan.

 

REGRESI LINEARSelain dibuktikan secara grafik, dapat juga dibuktikan secara eksponensial dengan persamaan Regresi Linear sebagai berikut:

Y’= a + bX

 

Dimana     a       = Y pintasan, (nilai Y’ bila X = 0)

                  b  = kemiringan dari garis regresi(kenaikan atau penurunan Y’ untuk setiap perubahan satu-satuan X) atau koefisien regresi, yang mengukur besarnya pengaruh X terhadap Y kalau X naik satu unit

                  X    = nilai tertentu dari variabel bebas

                  Y’  = nilai yang diukur/ dihitung pada variabel tidak bebas

Nilai a dan b pada persamaan regresi dapat dihitung dengan humus dibawah ini:

Screen Shot 2013-04-08 at 9.21.17 AM

  1. Perhitungan Regresi Linear untuk view tanpa menggunakan DMQ

Berikut ini adalah data yang diperoleh jika tidak menggunakan Data Mart Query :

Tabel 1. Data dan Perhitungan untuk view tanpa DMQ

Jumlah Data Waktu x y xy y2 x2
 X Y (X – X)  (Y- Ῡ)
5000 43 -22500 -80.25 1811250  6480.25  506250000
10000 79 -17500  -44.5  778750  1980.25  306250000
15000 78 -12500  -45.5  568750  2070.25  156250000
20000 103 -7500  -20.5  153750  420.25  56250000
25000 118 -2500  -5.5  13750  30.25  6250000
30000 124 2500  0.5  1250  0.25  6250000
35000 159 7500  35.5  266250  1260.25  56250000
40000 141 12500  17.5  218750  306.25  156250000
45000 189 17500  65.5  1146250  4290.25  306250000
50000 201 22500  77.5  1743750  6006.25  506250000
275000 1235  6702500  22844.5  2062500000

Screen Shot 2013-04-08 at 9.21.34 AM

Dari hasil perhitungan diatas, nilai a dan b dihitung sebagai berikut:

Screen Shot 2013-04-08 at 9.58.11 AM

Sehingga, persamaan regresi yang memperlihatkan hubungan kedua variabel antara jumlah data dan waktu untuk suatu tampilan view adalah:

Y = 35.5 + 0.0032X

Jadi setiap kali jumlah data bertambah maka waktu prosesnya akan bertambah 0.0032 kali.

  1. Perhitungan Regresi Linear untuk view dengan menggunakan DMQ

Berikut ini adalah data yang diperoleh jika menggunakan Data Mart Query :

Tabel 2. Data dan perhitungan untuk view dengan DMQ

Jumlah Data Waktu x y xy y2 x2
 X Y (X – X)  (Y- Ῡ)
5000 11 -22500 -7 157500 49 506250000
10000 16 -17500 -2 35000 4 306250000
15000 18 -12500 0 0 0 156250000
20000 15 -7500 -3 22500 9 56250000
25000 19 -2500 1 -2500 1 6250000
30000 21 2500 3 7500 9 6250000
35000 18 7500 0 0 0 56250000
40000 20 12500 2 25000 4 156250000
45000 23 17500 5 87500 25 306250000
50000 19 22500 1 22500 102 506250000
275000 180  355000 203  2062500000

Dari hasil perhitungan diatas, berdasarkan cara yang sama dihasilkan persamaan berikut ini:

Y = 15.25 + 0.0001X

Jadi setiap kali jumlah data bertambah maka waktu prosesnya akan bertambah 0.0001 kali.

Berdasarkan kedua perhitungan regresi diatas, dapat dibuktikan bahwa bDMQ tidak signifikan.

bDMQ : bn = 0.0001 : 0.0032

bDMQ : bn ≈ 1:32

Ini menunjukkan bahwa bDMQ tidak signifikan dibandingkan bn. dengan demikian regresi untuk non DMQ tetap :

y = 35.5 + 0.0032x

sedangkan regresi DMQ menjadi :

y = 15.25.

KORELASI LINEAR

 

            Istilah korelasi menunjuk pada konsep saling hubungan diantara beberapa variabel. Dalam bentuknya yang kompleks, korelasi melibatkan banyak variabel sekaligus. Namun dalam pembahasan ini saya mengambil dua variabel yaitu X untuk jumlah data dan Y untuk waktu. Salah satu formula untuk menghitung besarnya koefisien korelasi antara dua variabel yang masing-masing berskala interval telah dirumuskan oleh ahli statistika dan disebut formula korelasi product-moment Pearson. Rumusannya adalah sebagai berikut:

Untuk view tanpa menggunakan DMQ semakin besar jumlah data cenderung diikuti oleh semakin besarnya waktu proses dan sebalik nya semakin kecil jumlah data maka semakin kecil pula waktu proses yang dibutuhkan. Tentu perubahan pada variabel X tidak diikuti oleh perubahan pada variabel Y secara mutlak. Ada sedikit variasi yang memperlihatkan besarnya perubahan pada X tidak selalu diikuti secara proporsional oleh perubahan pada Y. Hal ini menunjukkan adanya indikasi hubungan yang tidak sempurna antara dua variabel dan hal ini memang menjadi karakteristik variabel non fisik. Hubungan yang sempurna sekali hanya dapat diteemui pada variabel-variabel ilmu eksakta.

Korelasi dinyatakan dalam angka yang disebut koefisien korelasi dan diberi symbol rxy. Koefisien korelasi mengandung dua makna, yaitu kuat lemahnya hubungan dan arah hubungan antar variabel.

            Kuat lemahnya hubungan antara dua variabel diperlihatkan oleh besarnya harga mutlak koefisien korelasi yang bergerak antara 0 sampai dengan 1. Semakin mendekati angka 0 berarti hubungan semakin lemah dan semakin koefisien mendekati angka 1 berarti hubungan semakin kuat.

Dari data pada Tabel 1. dapat dihitung korelasi linear antara jumlah data dan waktu proses untuk view tanpa menggunakan DMQ sebagai berikut:

r6 = 0.97

Sedangkan korelasi linear antara jumlah data dan waktu proses untuk view dengan menggunakan DMQ berdasarkan data pada tabel 2. adalah sebagai berikut:

r7 = 0.55

            Tingginya koefisien ini diartikan sebagai adanya hubungan yang kuat antara jumlah data dengan waktu. Tanda positif pada koefisien korelasi tersebut menunjukkan bahwa Jumlah data yang semakin tinggi memiliki waktu proses yang semakin tinggi.

MERANCANG PROGRAM MELALUI FLOWCHART

 tp8

Gambar 7. Flowchart Daftar Nilai IPK

LISTING PROGRAM

 

Daftar nilai IPK merupakan sebuah program yang menggunakan metode DMQ (Data Mart Query), sehingga listing program yang akan ditampilkan yaitu listing program untuk update daftar nilai IPK. Berikut listing programnya :

<%

dim conn

set conn=server.CreateObject(“ADODB.Connection”)

conn.open “PROVIDER=MSDASQL;DRIVER={SQL SERVER};SERVER=rec;DATABASE=raharja_integrated;”

%>

<% dim strsql1,rs1

strsql1=”drop table Daftar_Nilai”

set rs1=conn.execute(strsql1) %>

<% dim strsql2,rs2

strsql2=”select * INTO Daftar_Nilai from Lap_KHS4″

set rs2=conn.execute(strsql2) %>

<% response.redirect (“default.asp”) %>

IMPLEMENTASI

 

Konsep Data Mart Query (DMQ) telah diimplementasikan pada Perguruan Tinggi Raharja dalam membuat tampilan Daftar Nilai IPK (Indeks Prestasi Kumulatif Kumulatif). IPK tersebut merupakan rata-rata dari IPS (Indeks Prestasi Sementara). IPK adalah sistem penilaian yang disiapkan untuk mengukur dan mengetahui tingkat kemampuan mahasiswa selama melakukan perkuliahan. Dengan Penggunaan DMQ didalam pembuatan daftar nilai IPK, membuat tampilannya dengan cepat dapat diakses.

 tp10

Gambar 9. Struktur Query didalam database Raharja_Integrated

ALGORITMA Lap_khs4 :

SELECT dbo.Lap_Khs3.NIM, dbo.Lap_Khs3.Kode_MK, dbo.Lap_Khs3.Mata_Kuliah, dbo.Lap_Khs3.Sks, dbo.Lap_Khs3.Grade, dbo.Lap_Khs3.AM, dbo.Lap_Khs3.K, dbo.Lap_Khs3.M, dbo.QKurikulum.Kelompok, dbo.QKurikulum.Kajur FROM dbo.Lap_Khs3 INNER JOIN dbo.Mahasiswa ON dbo.Lap_Khs3.NIM = dbo.Mahasiswa.NIM INNER JOIN dbo.QKurikulum ON dbo.Mahasiswa.Jenjang = dbo.QKurikulum.Jenjang AND dbo.Mahasiswa.Jurusan = dbo.QKurikulum.Jurusan AND dbo.Mahasiswa.Konsentrasi = dbo.QKurikulum.Konsentrasi AND dbo.Lap_Khs3.Kode_MK = dbo.QKurikulum.Kode

TAMPILAN LAYAR

Tampilan layar (interface) Panel Pimpinan telah terintegrasi dengan beberapa sistem informasi seperti Raharja Multimedia Edutainment (RME), Absensi On-line (AO), dan Student Information Services (SIS). Adapun interface – interface tersebut terdiri dari :

  1. a.              Tampilan Utama Panel Pimpinan

 

Pada tampilan ini kita bisa melihat keseluruhan Mahasiswa yang ada pada Perguruan Tinggi Raharja beserta (Indeks Mutu Kumulatif) IMK dan (Indeks Prestasi Kumulatif) IPKnya. Pada tampilan ini juga terdapat jumlah mahasiswa laki-laki dan perempuan, Status mahasiswa beserta jumlahnya, mahasiswa yang berhak mengikuti UTS dan UAS, Top 10 best dan Top 10 Worst IPK dan IMK, serta Rata-rata IPK baik untuk mahasiswa aktif maupun lulusan Perguruan Tinggi Raharja.

tp11

Gambar 10. Tampilan Utama Panel Pimpinan

            Pada kolom disebelah kiri ataupun atas, ketika akan di klik link-linknya, maka akan terbuka sebuah URL pada kolom sebelah kanan. Dalam gambar diatas terdapat link Asdir. Ketika link tersebut di klik, maka akan terbuka sebuah URL yang berisi seluruh Top 100 Mahasiswa dengan status Aktif yang diurutkan secara descending. URL tersebut memiliki interface seperti gambar dibawah ini:

tp12

Gambar 11. Tampilan Top 100 Mahasiswa denagn status aktif

Pada tampilan diatas, terdapat NIM, Nama Mahasiswa, serta IPK dan IMKnya. Untuk dapat melihat secara detail daftar nilai IPK seorang mahasiswa, silahkan klik nilai IPK mahasiswa tersebut.

  1. Tampilan daftar nilai IPK pada Panel Pimpinan

Berbeda dengan interface sebelumnya, interface IPK pada panel pimpinan ini khusus menggambarkan nilai Indeks Prestasi Kumulatif (IPK) setiap mahasiswa. IPK merupakan nilai rata–rata dari keseluruhan nilai yang diperoleh pada seluruh semester yang telah dijalankan oleh setiap mahasiswa. IPK tersebut dikemas dalam sebuah “Daftar Nilai IPK” yang formatnya dapat dilihat pada gambar dibawah ini:

tp13

Gambar 11. Tampilan Daftar Nilai IPK

 

            Untuk memberikan tampilan daftar nilai IPK diatas, banyak tabel dan Query yang digunakan. Sehingga jika menggunakan source data secara konvensional membutuhkan waktu yang lama. Namun tampilan daftar nilai IPK diatas dibuat dengan menggunakan Data Mart Query, sehingga pada saat membuka halaman ini, tidak membutuhkan waktu yang lama.

KESIMPULAN

         Berdasarkan uraian diatas, disimpulkan bahwa Data Mart Query (DMQ) merupakan metode yang tepat untuk mempercepat waktu proses pada suatu sistem informasi dengan database yang terdistribusi. DMQ ini digunakan untuk menghindari penggunaan Query majemuk. Dengan demikian DMQ akan mengorbankan besarnya kapasitas penyimpanan data (space harddisc) untuk meningkatkan kecepatan (increase speed) dalam pengaksesan. Hal ini pun telah dibuktikan baik secara logik, secara grafik dengan perhitungan regresi linear dan korelasi linear dan juga melalui implementasi.

DAFTAR PUSTAKA

 

[1]    A.L. Powell, J.C. French, J. Callan, M. Connell and C.L. Viles. “The Impact of Database Selection on Distributed Searching”, 23rd ACM SIGIR Conference on Information Retrieval (SIGIR’00), pages 232-239, 2000.

[2]    D.J. DeWitt, J. Gray, Parallel Database Systems: The Future of High Performance Database Processing. San Francisco: Computer Sciences Department, University of Wisconsin. 1992.

[3]    N. Filipova and F. Filipov. “Development Of Database For Distributed Information Measurement And Control System University of Economics”, Varna, Bul. Kniaz Boris I, 2008.

[4]    I. Hamidah. “Deriving Global And Local Integrity Rules For A  Distributed Database”, Departement of Computer Science Faculty of Computer Science and Information Technology, University Putra Malaysia 43400 UPM Serdang, 2001.

[5]    Y. F. Huang, J.Y.H Chen Her, “Fragment Allocation in Distributed Database Design”, Nasional Yunlin Universitas Sains dan Teknologi Yunlin. Taiwan 640, R.O.C, 2001.

[6]    J. L. Lin, M. H. Dunham, M. A. Nascimento,  A Survey of Distributed Database Checkpointing. Texas: Department of computer science and engineering, Shoutern Methodist University, 1997.

[7]    C. Mitchell, “Component of a distributed database. Department of Computer science”, Norfolk state University, 2004.

[8]    L. Stanchev, “Semantic Data Control In Distributed Database Environment”, University of Waterloo, 2001.

[9]    G. Stephane, L. Claudia, N. Hurbert, R. Marta, S. Pablo, “Integrity Constraint Checking In Distributed Nested Transactions Over A Database Clustur”, Laboratorie the Information Paris 6. University Pierre et Marie Curie 8 rue du Capitaine Scott, 75015, Paris. Centro de Computacion Paralela Y Distribuida, Universidad Central de Venezuela. Apdo. 47002, Los Chaguaramos, 1041 A, Caracas, Venezuela, 2006.

[10] P.C. Steven, “Security Implications of the Choice of Distributed Database Management System Model: Relational Vs Object Oriented”, University of Maryland, 2008.

[11]    Supranto, Statistik Teori dan Aplikasi, Jakarta: Erlangga, 2000.